正面人脸识别中关于眼镜等饰物摘除问题的研究

论文摘要

自动人脸识别由于其在诸如访问控制、人机交互等领域的巨大应用前景而成为了研究的热点。成功的人脸识别系统的一个很重要的准则就是:其对诸如光照条件、面部表情、姿态、尺度大小及被其它的物体所遮挡等各种各样的条件变化具有鲁棒性。在所谓的遮挡物体当中,眼镜是其中最常见的遮挡物并且它们对于人脸识别系统的性能表现有很大的影响。因此,研究如何摘除人脸图像中的眼镜以提高人脸识别系统的性能表现是具有重要的意义的。论文首先从课题的背景出发,阐述了人脸识别技术的基本理论,介绍了常用的人脸识别算法。接着回顾了由Saito Y等人提出用于产生无眼镜人脸图像的经典算法,该算法是利用主成份分析（principalcomponent analysis,PCA）来重建无眼镜人脸图像的。论文还阐述了该方法在重构无眼镜人脸图像所存在的缺陷:PCA的表现能力是由训练集所决定的,因此,眼镜所带来的重建误差被分散到整幅重建人脸图像中,这导致重建的无眼镜人脸图像上有一些眼镜的痕迹。在基于上述研究的情况下,本文提出了一种用新的方法来重建人脸的方法:该方法利用了独立成分分析（independent componentanalysis,ICA）善于表达人脸局部细节的特点,其对PCA算法是一种很好的补充和改进。用PCA+ICA来进行人脸的重建,更能有助于合成自然的特性表现更逼真的无眼镜人脸图像。在此基础上进一步提出用多次迭代人脸重建加误差补偿的方法来对戴眼镜的人脸图像进行处理,从而合成失真少,无眼镜痕迹的无眼镜人脸图像,并为后期的人脸识别系统提供高质量的图像输入。本文还在MATLAB上实现了算法的模拟及测试,试验结果数据也论证了该算法的有效性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题背景及项目情况
• 1.2 国内外研究现状与水平
• 1.3 人脸识别的研究意义与典型应用
• 1.4 问题的提出及本文的贡献
• 1.5 论文的组织结构
• 第二章 人脸识别技术理论简介
• 2.1 自动人脸识别问题描述
• 2.2 人脸识别的不同分类
• 2.3 人脸识别算法综述
• 2.3.1 知识表达—人脸的描述方法
• 2.3.2 知识获取—特征提取算法
• 2.3.3 知识精简—特征选择
• 2.3.4 知识分类—相似性度量与分类算法
• 2.3.5 知识融合
• 2.4 人脸识别系统的构成
• 第三章 基于PCA及 ICA的人脸重构
• 3.1 主成分分析
• 3.1.1 PCA原理
• 3.1.2 PCA的性质
• 3.2 独立成分分析
• 3.2.1 信息论基本概念
• 3.2.2 ICA基本原理
• 3.2.3 ICA的假设条件
• 3.2.4 ICA的经典算法
• 3.3 基于PCA/ICA的人脸重构
• 3.3.1 ICA的人脸表示
• 3.3.2 ICA信号预处理
• 3.3.3 PCA/ICA的特征提取及人脸重构
• 第四章 基于PCA/ICA的人脸眼镜自动摘除的系统设计
• 4.1 人脸图像预处理
• 4.1.1 彩色图像灰度化
• 4.1.2 几何校正
• 4.1.3 图像增强
• 4.2 眼镜摘除的系统实现
• 4.2.1 眼镜遮挡区域提取
• 4.2.2 PCA/ICA特征空间的训练过程
• 4.2.3 迭代的人脸重构及误差补偿过程
• 第五章 基于MATLAB的系统仿真实现及结果分析
• 5.1 MATLAB试验仿真过程
• 5.1.1 实验数据来源
• 5.1.2 质量评估标准
• 5.2 试验数据及结果分析
• 第六章 工作总结与课题展望
• 6.1 工作总结
• 6.2 课题不足与展望
• 参考文献
• 致谢
• 攻读硕士学位期间主要的研究成果